基于matlab的表情识别代码CNN的面部表情识别层次委员会 基于MatConvNet的MATLAB实现 [挑战] SFEW部分的获奖者，“野外挑战中的第三次情感识别”（），2015年 [论文]“，”多模式用户界面杂志（JMUI），2016年 1.输入预处理 Forder lib1_AlignFace_NormalizeInput包括 人脸注册代码（基于多管道的对齐方式） MatConvNet工具箱的输入归一化（照明归一化，对比度增强）+输入矩阵（imdb）格式的代码 下载以下库进行人脸注册 /pipeline_modules_functions/module1_ZR_FaceDetector 请访问→下载并解压缩“ face-release1.0-basic.zip”→将解压缩的文件移至“ module1_ZR_FaceDetector” /pipeline_modules_functions/module3_INTRAFACE_LandmarkDetector 请访问→下载并解压缩“ FacialFeatureDetection＆Tracking_v1.4.0.zip”→将文件移至

1--使用原始 EEG 数据训练 Deep ConvNET 具有手动制作光谱功能的2层感知器 请轻轻引用https://arxiv.org/abs/1907.05674 “使用 ConvNET 进行深度学习通过 EEG 预测图像任务” 使用的数据库EEG 运动/图像数据集https://physionet.org/pn4/eegmmidb/

都是我自己在知网上下载的语义分割论文，特别适合语义分割的入门学习，可以了解语义分割的训练与检测流程。

在Keras框架中修改图像分割的卷积神经网络“UNET”。Modification of convolutional neural net "UNET" for image segmentation in Keras framework

基于从一张含有任意人群密度和任意视角的图像中准确地估计出其中的人群数目的目的，采用了全卷积神经网络先从图像中获得其人群密度图，然后对人群密度图上每个位置进行求和操作得到最终的人群数目的方法。所采用的全卷积神经网络不受输入图像的分辨率和视角的影响，同时，通过增加池化层层数，扩大网络的感受野，适应了图像中人头比较大的情况。所提出的算法在UCF_CC_50标准数据集上取得了最好的效果，进而验证了算法的高准确率和有效性。

毕业设计，（2，1，5）的卷积码和基于硬判决的维特比译码，在quartus平台上运行的

一维卷积代码，基本的网络结构，输入 卷积 池化 卷积 池化 输出，可实现分类的功能

matlab图像去模糊原始码CCSC_code_ICCV2017 这是ICCV 2017论文“共识卷积稀疏编码”的源代码存储库。 作者： Biswarup Choudhury，Robin Swanson，Felix Heide，Gordon Wetzstein和Wolfgang Heidrich。 仓库信息： 所有代码均在MATLAB 2016b中编写和测试 2D：从大型图像数据集中学习2D卷积过滤器，例如ImageNet（将单独下载）。 还包含用于使用所学过滤器修复问题（例如修复和泊松反卷积）的代码。 2-3D：学习用于高光谱图像的卷积滤镜。 还包含用于高光谱修复和去马赛克的代码。 3D：学习视频数据集的3D卷积过滤器（将单独下载）。 还包含使用学习到的过滤器对视频进行去模糊处理的代码。 4D：学习用于光场数据集的4D滤镜（提供了示例输入光场数据）。 还包含使用所学过滤器进行新颖视图合成的代码。 image_helpers：用于读取数据，对比度归一化等的其他实用程序代码。 内存需求： 所有实验均在128GB内存下进行。 参考： 如果您使用上述任何代码或受其启发的版本，请引用我们的论文

我们探索一种具有特殊时空特征提取结构的半监督视频对象分割新方法。 考虑到三维卷积网络可以卷积一定数量的图像序列，这是一种获取空间和时间信息的独特方法。 我们的网络由视觉模块，运动模块和解码器模块三部分组成。 视觉模块从第一帧中的对象中学习对象的外观特征，以供网络检测以下图像序列中的特定对象。 运动模块的目的是通过三维卷积网络获取图像序列的时空信息，该网络学习物体时间外观和位置的多样性。 解码器模块的目的是通过级联和上采样结构从视觉模块和运动模块的输出中获取前景对象蒙版。 我们在DAVIS分割数据集上评估我们的模型[15]。 与大多数基于检测的方法相比，由于视觉模块，我们的模型不需要在线培训。 结果，获得掩码所需的时间为每帧0.14秒，这比最新方法OSVOS [2]快71倍。 与最近提出的大多数方法相比，我们的模型还显示出更好的性能，其平均IOU精度可与最新方法相媲美。

内包含ResNet50网络模型，模型预训练参数（.h5文件，基于tf2），以及一项使用tf2实现的对ResNet50的网络结构和预训练参数的分开调用。